[發明專利]基于深度學習的邊緣檢測濾波器優化方法

有效

• 申請號: 202011109798.5
• 申請日: 2020-10-16
• 公開（公告）號: CN112308870B
• 公開（公告）日: 2022-06-14
• 發明（設計）人: 尹仕斌;郭寅;郭磊;徐金辰
• 申請（專利權）人: 易思維（杭州）科技有限公司
• 主分類號: G06T7/13
• 分類號: G06T7/13;G06N3/04;G06N3/08;G06T7/143
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于深度學習的邊緣檢測濾波器優化方法，其特征在于，包括以下步驟：

步驟一、采集多張待測物圖像，記為訓練圖像集；

分別框選各張圖像中的待測特征并標注每個像點的類別標簽，所述類別標簽為前景標簽或背景標簽；將經過上述處理的訓練圖像記為標注圖像；

以第一張訓練圖像作為初始的輸入圖像；

步驟二、分別利用不同方向的邊緣檢測因子對輸入圖像進行卷積處理，得到整幅圖像各個像素點的梯度，將其輸入到Sigmiod函數中進行激活處理，得到輸出結果圖；

步驟三、將輸出結果圖記為新的輸入圖像，重復步驟二N次，N＝1～5；將最后一次得到的輸出結果圖記為最終結果圖；

將首次進行步驟二時的邊緣檢測因子記為第一層濾波器；第i次重復步驟二時的邊緣檢測因子記為第i+1層濾波器；i＝1,2…N；

步驟四、利用softmax函數歸一化處理最終結果圖中各點的像素值，記為歸一化結果圖，計算所述歸一化結果圖與所述輸入圖像的標注圖像各像點之間的交叉熵損失值，記為損失矩陣M_Loss；再將各個交叉熵損失值取均值記為LOSS值；

步驟五、利用損失矩陣M_Loss進行反向傳播，得出每層邊緣檢測濾波器的偏移量b；將不同方向的邊緣檢測因子加上對應的偏移量b，得出修正后的各層邊緣檢測濾波器；

以下一張訓練圖像作為輸入圖像并利用修正后的各層邊緣檢測濾波器繼續進行步驟二～步驟四，直到LOSS值發生收斂；

步驟六、將步驟五中最后得出的各層邊緣檢測濾波器級聯作為優化后的邊緣檢測濾波器。

2.如權利要求1所述的基于深度學習的邊緣檢測濾波器優化方法，其特征在于：步驟五中利用損失矩陣M_Loss進行反向傳播，得出每層邊緣檢測濾波器的偏移量b；具體為：

經過反向傳播，標記：第N+1層濾波器的損失矩陣Loss_N+1(x,y)＝M_Loss(x,y)，(x,y)表示損失矩陣中的單個點；

則第N層濾波器的損失矩陣Loss_N中各個點(x,y)的值：

Loss_N(x,y)＝sigmoid′(Loss_N+1(x,y))·softmax’(Loss_N+1(x,y))；

第N-1層濾波器的損失矩陣Loss_N-1中各個點(x,y)的值：

Loss_N-1(x,y)＝sigmoid′(Loss_N(x,y))·softmax’(Loss_N(x,y)),……

第一層濾波器的損失矩陣Loss₁各個點(x,y)的值：

Loss₁(x,y)＝sigmoid′(Loss₂(x,y))·softmax’(Loss₂(x,y))；

其中，sigmoid′表示Sigmiod函數的導數，softmax’表示softmax函數的導數；

利用各層濾波器的損失矩陣與其對應的輸出結果圖，卷積得出每層邊緣檢測濾波器對應的偏移量b。

3.如權利要求1所述的基于深度學習的邊緣檢測濾波器優化方法，其特征在于：所述邊緣檢測濾波器包括：sobel濾波器、Prewitt濾波器和scharr濾波器。

4.如權利要求1所述的基于深度學習的邊緣檢測濾波器優化方法，其特征在于：所述不同方向的邊緣檢測因子包括：水平方向邊緣檢測因子、豎直方向邊緣檢測因子、45°方向邊緣檢測因子，135°方向邊緣檢測因子。

5.如權利要求3或4所述的基于深度學習的邊緣檢測濾波器優化方法，其特征在于：步驟五中，將水平方向和豎直方向的sobel因子加上對應的偏移量b，得出修正后的各層sobel濾波器，具體為：

記原始水平方向的sobel因子：豎直方向的sobel因子：

則第一次修正后水平方向的sobel因子：豎直方向的sobel因子：

……如此重復，每次修正，均在前一次sobel因子的基礎上加上新的偏移量。

6.如權利要求1所述的基于深度學習的邊緣檢測濾波器優化方法，其特征在于，為了使卷積后的圖像與輸入圖像尺寸相同，對輸入圖像的邊緣用0做填充處理，將輸入圖像尺寸從(Height,Width)變為(Height+1,Width+1)。